王威, 主要从事大气遥感相关研究.Email:
Himawari-8是日本发射的新一代静止气象卫星, 与前一代的MTSAT-2相比, 在时间、空间分辨率上都有了很大提升, 特别是红外通道数量从4个增至10个, 为红外遥感沙尘提供了新的观测数据。本研究利用Himawari-8的红外观测数据, 发展了仅用红外通道的沙尘全天候判识算法, 可以实现对白天和夜间的连续监测。算法在前人基础上去除了可见光通道, 同时引入更多红外通道来进行云检测和沙尘判识。由于一日之中, 地表温度发生变化, 因此针对白天和夜间设置了两套不同的判别阈值, 来保证算法的全天适用性。最后通过两次沙尘事件对沙尘判别结果的分析和检验表明, 遥感判识结果与地面气象站和PM10观测较为一致, 说明了只用红外通道全天候判识沙尘的可行性。
Himawari-8 is a new generation of geostationary meteorological satellite launched by Japan. Compared with the previous generation of MTSAT-2, it has greatly improved its spatio-temporal resolution. The number of infrared channels of Himawari-8 is increased from 4 to 10 compared with MTSAT-2, providing new observation data for infrared remote sensing of dust. This research makes full use of Himawari-8 infrared observation data and develops an all-day dust identification algorithm using only infrared channels, which can realize continuous monitoring during the day and night. The algorithm is based on previous algorithms, and does not use visible light channels, but uses more infrared channels for cloud detection and dust recognition. As surface temperature changes during the day, two different sets of discri-minant thresholds are set up for daytime and nighttime to ensure the applicability of the algorithm for the whole day. Finally, two dust events are used to verify the results of dust discrimination. The consistency between ground-based and remote sensing results shows that it is feasible to use the infrared channel to identify sand and dust all day.
沙尘暴是风把地面物质吹起并卷入空中, 使空气混浊的一种天气现象(
此外, 沙尘对于气候系统也有影响(
沙尘观测方式可以分为地基和遥感两类。地基主要是单点观测, 难以大范围监测沙尘(
相比之下, 静止卫星具有高时间分辨率的特性, 有利于捕捉沙尘随时间的变化情况, 对沙尘发生范围的判定及沙尘过程的分析尤为重要。但MTSAT-2、FY-2等前一代的静止卫星搭载的成像仪, 红外通道数量少, 仅用红外通道难以实现对沙尘和云及晴空地表的准确区分, 所以沙尘业务监测算法通常联合可见光和红外通道共同进行沙尘的判识。但可见光通道不能在夜间成像, 所以, 静止卫星的夜间沙尘判识便成为了一个难题(
随着静止卫星的发展, 新一代静止气象卫星Himawari-8红外通道数量从上一代的4个增加至10个。红外通道数量的大幅增加给沙尘的夜间判识带来了新的曙光。本次研究旨在充分利用Himawari-8红外通道的特性, 在分析沙尘、云和晴空地表在白天和夜间的光谱特征的基础上, 加入新的红外通道作为判别参数, 将沙尘和其他目标进行更为准确的区分。以此脱离算法对于可见光通道的依赖, 实现对沙尘的全天候监测。众所周知, 静止卫星有一次成像范围大、观测频次高的优势。若能实现沙尘的全天判识, 那么其必将成为沙尘判识的一大利器, 为沙尘追踪、沙尘过程分析等提供很好的数据支持。
目前新一代静止卫星Himawari-8、FY-4等已经开始投入应用(
Himawari-8是日本新一代静止气象卫星, 于2015年7月7日开始正式业务运行。如
Himawari-8与MTSAT-2参数设置(
The parameters settings of Himawari-8 and MTSAT-2 (
Himawari-8 | MTSAT-2 | |||||
通道号 | 中心波长/ |
空间分辨率/km | 通道号 | 中心波长/ |
空间分辨率/km | |
1 | 0.47063 | 1 | — | — | — | |
2 | 0.51000 | 1 | — | — | — | |
3 | 0.63914 | 0.5 | VIS | 0.68 | 1.25~1.44 | |
4 | 0.85670 | 1 | — | — | — | |
5 | 1.6101 | 2 | — | — | — | |
6 | 2.2568 | 2 | — | — | — | |
7 | 3.8853 | 2 | IR4 | 3.7 | 5~5.75 | |
8 | 6.2429 | 2 | IR3 | 6.8 | 5~5.75 | |
9 | 6.9410 | 2 | — | — | — | |
10 | 7.3467 | 2 | — | — | — | |
11 | 8.5926 | 2 | — | — | — | |
12 | 9.6372 | 2 | — | — | — | |
13 | 10.4073 | 2 | IR1 | 10.8 | 5~5.75 | |
14 | 11.2395 | 2 | — | — | — | |
15 | 12.3806 | 2 | IR2 | 12.0 | 5~5.75 | |
16 | 13.2807 | 2 | — | — | — |
HITRAN数据库中AFCRL 1987 Shettle Dust Like气溶胶的复折射指数(
HITRAN数据库中类沙尘气溶胶粒子的复折射指数
Complex refraction index of HITRAN dust like aerosol
Himawari-8和MODIS的光谱响应函数如
Himawari-8和MODIS的光谱响应函数对比
Comparison of spectral response functions of Himawari-8 and MODIS
但Himawari-8对比MODIS新增了10.4
一日中地表温度会发生变化, 所以卫星观测的亮温值, 以及由此计算出的沙尘判识参数的值也会随时间发生变化, 这会对沙尘判识产生一定影响。为进一步评估地表亮温变化对沙尘判识的影响, 首先需要对地表亮温的日变化规律进行分析。
亮温的日变化情况可以根据Himawari-8实测数据来进行分析。但Himawari-8实测的亮温数据常受云和气溶胶的影响, 数据不稳定, 震荡起伏大。所以通过11.2
Himawari-8合成晴空地表亮温日变化结果
Himawari-8 synthesis of clear sky background brightness temperature diurnal variation results
首先整体上来看, 地表亮温在一日之内呈现先增大再减小的特征, 夜间地表亮温的变化率小于白天。从亮温变化的幅度来看, 新疆地区地表亮温整体分布在250~320 K。地表亮温的日变化幅度大致在30 K, 由于月份变化导致地表亮温差异最大在25 K左右。在沙尘多发的春季, 地表亮温大致分布在260~305 K。此外, 在
为进一步定量分析地表亮温和沙尘浓度变化对亮温差值的影响, 基于MODTRAN(moderate resolution atmospheric transmission)辐射传输模式进行了模拟(
MODTRAN模拟亮温差随地面气象视距的变化
MODTRAN simulation of brightness temperature difference with surface meteorological range
从图中可以看出, MODIS的
参数
上文分析表明, 在沙尘区, MODIS的
上文对沙尘物理特性, 以及Himawari-8通道设置对沙尘的影响进行了分析。并通过辐射传输模式模拟了地表亮温日变化和沙尘浓度变化对Himawari-8判识沙尘带来的影响。这些分析以沙尘为中心, 是关键的理论基础。而在实际的沙尘判识过程中, 沙尘容易和云/地表发生混淆, 所以在了解沙尘特性的基础上, 还要进一步了解云区的晴空地表特征, 才能更为准确地判识沙尘。所以这一部分结合Himawari-8实测数据, 分析了白天和夜间, 沙尘区、云区、晴空地表的光谱特性。
卫星自上而下进行观测, 当空气中存在沙尘时, 地表的辐射可以穿透沙尘层到达卫星, 卫星记录到的信号包含地表和沙尘层的共同作用。而不同地区的下垫面性质有所不同, 所以沙尘发生在不同地区时, 卫星的观测光谱可能会有一定差异。此外, 当沙尘浮于云上时, 卫星观测到的信号会同时包含沙尘和云的信息, 这时沙尘的光谱也会有一定变化。
为了表征不同地区沙尘的光谱差异, 结合Himawari-8数据, 在新疆、内蒙古、北京等地进行了选点, 同时也在中国东北地区进行选点, 来分析云上沙尘的特征, 最终绘制的光谱如
白天(a)和夜间(b)不同区域沙尘光谱对比
Spectral contrast of dust in different regions in daytime (a) and nighttime (b)
从图中可以看出, 白天和夜间沙尘区的特征有一些相似, 大部分沙尘区都有
在沙尘判识算法中, 沙尘和云的区分是较为关键的部分。为了进一步分析云区的光谱性质, 与FY-2云类型产品进行比对后, 从不同云区进行选点, 针对白天和夜间分别绘制光谱图像, 结果如
白天(a)和夜间(b)不同云区光谱对比
Spectral contrast of cloud in different regions in daytime (a) and nighttime (b)
上文分析了沙尘区、云区的光谱性质, 这一部分主要分析晴空地表的光谱性质。所用的数据为Himawari-8的晴空地表合成数据, 从新疆沙漠地区、北京等城市地区、中国中部地区、内蒙古东北地区进行选点, 分别绘制白天和夜间的光谱图像, 结果如
白天(a)和夜间(b)不同区域晴空地表光谱对比
Spectral contrast of clear surface in different regions in daytime (a) and nighttime (b)
从
在沙尘判识过程中, 一些云区和沙尘区的判别参数值较为接近。不进行云滤除而直接判识沙尘, 就会将一些云区误判为沙尘区, 影响沙尘判识的精度。所以在沙尘判识之前, 需要先进行云滤除处理。
在晴空条件下, 卫星可以观测到地表发射的辐射, 但有云出现时, 尤其是云层较厚的时候, 地表辐射难以穿透云层到达云区。所以有云存在时, 与晴空时相比, 卫星观测到的亮温值会有一定差异(
以上述原理为基础, 本文方法中对于冰云的识别主要应用参数包括
(1) 多个红外通道间的亮温差。具体判识因子如下:
式中,
(2) 多个通道的
式中,
(3) 水汽通道的亮温值。因为云区在水汽通道上有一定的吸收作用, 亮温较低。所以通过水汽通道的亮温值, 可以判识一部分云区。除了7.3
2016年3月5日06时Himawari-8真彩色合成图像(a)及云检测结果(b)
Real color image (a) and cloud detection result diagram (b) at 0600 UTC 5 March 2016
沙尘和云、晴空地表之间容易发生混淆。前面已经做了云滤除, 所以这一部分主要是区分沙尘和晴空地表。参数
根据2.4.3节的分析可知, 在10~12.5
(1) 通过多个红外通道间的亮温差来判别云区, 具体判识因子如下:
(2)
地表亮温有日变化的特征。在2.3节中, 通过辐射传输模式模拟了地表温度和沙尘浓度的变化对判识参数的影响。这一部分则基于Himawari-8的实测数据, 进一步分析沙尘判别参数的日变化情况。最后根据模拟和实测的结果, 设置沙尘判识阈值。
以2016年3月5日的沙尘事件为例, 选取沙尘强度相对较大和相对较小的两个地方, 对沙尘判识参数日变化情况进行分析, 结果如
2016年3月5日Himawari-8实测新疆沙尘暴地区沙尘判别参数日变化
Diurnal variation of sand dust discrimination parameters in Xinjiang sandstorm area measured by Himawari-8 on 5 March 2016
同
Same as
而在
除上述的亮温差值外, 从
结合模式模拟的结果和Himawari-8实测结果, 本文方法针对白天和夜间设置了两套沙尘判识阈值。对主要的沙尘判识参数, 判识阈值设定如下:
白天:
夜间:
上述表达式中,
结合上述分析, 本文联合
为了对Himawari-8沙尘判识结果进行验证, 本文中选择了三次有代表性的沙尘事件, 将Himawari-8沙尘判识结果与地面气象站和PM10数据进行比对, 来验证沙尘判识的准确性。并且结合一次典型的沙尘事件, 将Himawari-8的沙尘判识结果与FY-2的沙尘判识结果进行比对, 以此进一步说明本文方法相较于FY-2沙尘判识算法的不同和改进之处。
2016年3月5日的沙尘过程由蒙古气旋导致, 首先在中国新疆、甘肃、内蒙古等地出现了沙尘, 而后沙尘层的高度逐渐升高, 并且开始向中国东部地区输送。但沙尘的输送并不是完全连续的, 由于在辽宁等地有降水出现, 所以沙尘的传输存在局部中断的现象。到3月5日夜间, 沙尘过程开始减弱。
这是一次典型的沙尘过程, 在3月5日06时(世界时, 下同)的数据中, 同时包含了不同特征的沙尘区, 包括新疆强度较大和强度相对较小的沙尘区, 以及云上沙尘区。并且沙尘的覆盖范围大, 包含了中国西部的新疆地区、中部的陕西地区、东部的河北地区, 以及东北的云上沙尘区。这次沙尘事件包含了不同特征的沙尘, 而且沙尘的覆盖范围大, 是值得分析的典型个例。
基于Himawari-8数据对这次沙尘事件进行了判识, 通过5×5和9×9的滤波对结果中存在一些细碎的杂点进行了滤除, 最终得到的结果如
2016年3月5日06时(a, b)和21时(c)的FY-2(a)和Himawari-8(b, c)沙尘监测
Comparison of dust recognition results and ground-based observation by FY-2 (a) and Himawari-8 (b, c) at 0600 UTC (a, b) and 2100 UTC (c) 5 March 2016
Himawari-8判识结果的提高, 主要归功于沙尘判识参数的设置, 其中最为关键的参数是
2016年3月5日06时Himawari-8的
所以
对地面气象站数据进行分析时发现, 夜间地面气象站显示有沙尘的站点数量明显小于白天。这可能是夜间较暗, 能见度和沙尘天气难以观测所致。但沙尘发生是一个大范围连续的过程, 沙尘发生的范围白天和夜间应有一定的连续性。而夜间观测有沙尘的站点则有突然大量地减少的现象, 说明地面气象站的夜间观测数据可能存在一定问题, 根据这样的数据不足以对Himawari-8夜间的沙尘判识结果进行验证。需结合其他数据共同验证Himawari-8的判识结果。
在沙尘发生时, 空气中漂浮的沙尘粒子增加, 所以PM值会出现一定变化。PM数据通过对实际大气取样来计算浓度, 与地面气象站的沙尘数据相比, PM10数据质量更为稳定, 随昼夜变化幅度小。因为沙尘的粒径相对较大, 所以当沙尘出现时, PM10的变化相对PM2.5更为明显。所以针对PM10数据做进一步分析。
在没有沙尘时, 同一时刻所有站点的PM10数据大体呈现正态分布的趋势。而在沙尘出现时, PM10数据明显呈现出有偏分布的趋势, 此时不能根据均值加标准差的方式筛选数据, 因此通过设定阈值的方式来进行沙尘发生站点的选取。因为城市地区背景气溶胶更为复杂, 可以根据城市地区的情况来设置PM10的选取阈值。如果该阈值在复杂的气溶胶背景下, 可以判断出沙尘的发生, 那么对于较为干净的大气, 通过同样的阈值更容易判别出沙尘区域。
因为北京地区受雾-霾影响大, 气溶胶相对复杂, 所以针对北京地区进行了分析, 结合北京地区2016—2018年的PM10数据, 绘制的时间序列如
北京地区PM10时间序列图
Time series of PM10 in Beijing
通过
从
上文的判识结果是一个个例, 为了进一步验证算法的扩展性, 选取了其他沙尘案例进行分析,
2016年3月10日06时(a)和15时(b)的沙尘监测
Comparison of dust recognition results and ground-based observation at 0600 UTC (a) and 1500 UTC (b) 10 March 2016
2017年5月4日09时(a)和15时(b)的沙尘监测
Comparison of dust recognition results and ground-based observation at 0900 UTC (a) and 1500 UTC (b) 4 May 2017
之所以选择这两个个例, 是因为这两个沙尘案例具有一定代表性。其中2016年3月10日的沙尘案例, 在新疆西部的沙尘区被云所覆盖, 所以选择这个案例是为了分析算法是否能够判识薄云覆盖下的沙尘区。而选取2017年5月4日的沙尘案例, 主要是由于这一次沙尘过程发生在中国东部地区。前面的个例主要发生于中国西部地区, 没有对中国东部地区做分析。而中国西部和东部地区下垫面有一定差异, 所以沙尘发生在中国西部和东部地区时, 卫星观测的光谱会有一定差异, 这个案例的选取主要是为了分析算法在中国东部地区的适用性。
通过Himawari-8和地基观测结果进行对比可以看出, 对这两次沙尘事件, 地基和遥感判识结果整体上较为匹配, 不一致的情况主要集中在云区。
总体来说, 这三次沙尘事件具有一定代表性, 通过这些案例的验证, 说明算法具有一定普适性。其中2016年3月5日的沙尘个例主要说明了算法在新疆和云上沙尘区的适用性, 2017年5月4日的个例则验证了算法在中国的东部地区也具有良好的适用性。而2016年3月10日的个例则在一定程度上体现出了算法的局限性, 被云区所覆盖的沙尘区, 即使是被薄云所覆盖, 依旧无法被算法所判识。
对于上述三次沙尘事件, Himawari-8的判识结果和地基观测结果比对如
Himawari-8沙尘判识和地基观测比对结果
Comparison of Himawari-8 dust recognition results and ground-based observation
日期/年-月-日 | 白天/夜间 | 判识结果和地基都显示有沙尘的站点数/个 | 地基观测有沙尘的站点数/个 | 匹配比率/% |
2016-3-5 | 白天 | 60 | 103 | 58.25 |
夜间 | 11 | 51 | 21.57 | |
2016-3-10 | 白天 | 24 | 38 | 63.16 |
夜间 | 6 | 14 | 42.86 | |
2017-5-4 | 白天 | 139 | 224 | 62.05 |
夜间 | 78 | 171 | 45.61 |
总的来说, 结果验证部分首先结合一次沙尘事件, 将Himawari-8与FY-2的结果进行对比发现, Himawari-8的与地基的匹配度更高, 而且算法只用了红外通道, 可以进行全天候的判识, 这说明本文Himawari-8算法与前一代静止卫星FY-2算法相比, 沙尘判识精度更高, 并且解决了前一代静止卫星未能解决的夜间沙尘判识问题。而Himawari-8判识结果的改进, 参数
本文研究基于新一代静止气象卫星Himawari-8数据, 根据其红外通道数量多的优势, 开展了一套沙尘暴全天候监测算法。算法消除了原有沙尘算法对于可见光通道的依赖, 仅使用红外通道实现了全天候沙尘判识。Himawari-8判识结果与地面气象站数据和PM10数据较高的一致性, 说明了只用红外通道实现沙尘全天候判识的可行性。
通过前面的分析验证可知, 本文算法具有普适性, 可以判识新疆沙漠地区沙尘强度稍大、相对较小的沙尘区, 可以判识中国中东部地区的沙尘, 以及云上沙尘区, 适用范围相对较广。但算法中也存在一些局限性:
(1) 算法始终无法规避的云区的影响, 本文算法虽然对于云上沙尘区有一定作用, 但是对于云下的沙尘区则无能为力, 即使是薄云覆盖下的沙尘依旧无法被算法所判识。这是卫星自上而下观测方式所导致的, 是一个难以规避的问题, 也是造成卫星和地基观测沙尘区差异的主要原因。
(2) 算法对于强沙尘区的适用性较差, 这从文中辐射传输模拟的结果中也可以看出, 沙尘强度过大时, 沙尘层的性质逐渐接近地表, 即在沙尘强度增大到一定程度时, 如果强度继续增大, 卫星观测的亮温差异不仅不增大, 反而呈现反向变化趋势。因此会造成强沙尘区的漏判。在后续的算法中, 可以进一步对强沙尘区域的物理性质进行单独分析, 查看是否可以改进目前强沙尘的漏判问题。
(3) 可以进一步改进沙尘和晴空地表的区分算法。在本文算法中, 沙尘和地表的区分主要通过
(4) 参数阈值的设定只考虑了白天和夜间两种情况, 而一天之中, 地表亮温会随时间实时发生变化, 可以通过更精细的时间变化调整沙尘的判识阈值。也可以进一步分析月份变化对沙尘判识的影响, 根据月份的变化调整沙尘的判识参数。
(5) 本文方法中为了验证全天候观测的红外通道对于沙尘判识的作用, 在白天和夜间都只用了红外通道。但在实际观测数据中, 白天的观测数据同时包含可见光和红外通道。所以在实际沙尘判识过程中, 对于白天的沙尘判识, 可以将可见光通道引入到算法中, 进一步提升沙尘判识的精度。另外, 在本次研究中, 主要研究了亮温差值随地表亮温和沙尘浓度的变化情况, 后续可以结合更多判识参数进一步提升沙尘判识的精度。
随着Himawari-8、FY-4、GOES-R等新一代静止气象卫星的发展, 势必会有更多分辨率高、质量好的数据应用到沙尘监测中, 使沙尘监测的结果更为准确。这些判识结果, 无论放在沙尘的业务预报中, 还是作为辅助数据放在沙尘的科学研究中, 都将发挥重要的作用。
国家卫星中心处理后生成的Himawari-8 L1全圆盘数据为此次研究的数据源, 在此对国家卫星气象中心提供的数据支持表示衷心的感谢!
曹广真, 张鹏, 陈林, 等, 2013.地面能见度观测在卫星遥感IDDI指数中的融合应用[J].遥感技术与应用, 28(4):588-593.
Cao G Z, Zhang P, Chen L, et al, 2013.Duststorm detection by merging meteorological visibility with remote sensing IDDI[J].Remote Sen Technol Appl, 28(4):588-593(in Chinese).
胡秀清, 卢乃锰, 张鹏, 2007.利用静止气象卫星红外通道遥感监测中国沙尘暴[J].应用气象学报, 18(3):266-275.
Hu X Q, Lu N M, Zhang P, 2007.Remote sensing and detection of dust storm in China using the thermal bands of geostationary meteorological satellite[J].J Appl Meteor Sci, 18(3):266-275(in Chinese).
李彬, 卢士庆, 孙小龙, 等, 2018.可见光波段灰度熵和热红外亮温差的沙尘遥感判识[J].遥感学报, 22(4):647-657.
Li B, Lu S Q, Sun X L, et al, 2018.Dust detection algorithm based on the entropy of visible band brightness and brightness temperature difference[J].J Remote Sen, 22(4):647-657(in Chinese).
翟章, 许宝玉, 贺慧霞, 等, 1996.我国沙尘暴灾害的概况和对策[J].中国减灾, 6(1):23-26.
Zhai Z, Xu B Y, He H X, et al, 1996.General situation and countermeasures of sandstorm disasters in China[J].Dis Reduction China, 6(1):23-26(in Chinese).
张鹏, 王春姣, 陈林, 等, 2018.沙尘气溶胶卫星遥感现状与需要关注的若干问题[J].气象, 44(6):725-736.
Zhang P, Wang C J, Chen L, et al, 2018.Current status of satellite-based dust aerosol remote sensing and some issues to be concerned[J].Meteor Mon, 44(6):725-736(in Chinese).
张鹏, 张兴赢, 胡秀清, 等, 2007.2006年一次沙尘活动的卫星定量遥感和分析研究[J].气候与环境研究, 12(3):302-308.
Zhang P, Zhang X Y, Hu X Q, et al, 2007.Satellite remote sensing and analysis of a dust event in 2006[J].Clim Environ Res, 12(3):302-308(in Chinese).
张强, 王胜, 2005.论特强沙尘暴(黑风)的物理特征及其气候效应[J].中国沙漠, 25(5):675-681.
Zhang Q, Wang S, 2005, On physical characteristics of heavy dust storm and its climatic effect[J].J Desert Res, 25(5):675-681(in Chinese).
张喆, 丁建丽, 王瑾杰, 等, 2016.新疆干旱区气溶胶间接效应区域性分析[J].中国环境科学, 36(12):3521-3530.
Zhang Z, Ding J L, Wang J J, et al, 2016.Regional analysis of aerosol indirect effects in Xinjiang Region[J].China Environ Sci, 36(12):3521-3530(in Chinese).
Ackerman S A, 1997.Remote sensing aerosols using satellite infrared observations[J].J Geophys Res, 102(D14):17069-17079.
Anderson G P, Berk A, Acharya P K, et al, 1999.MODTRAN4: radiative transfer modeling for remote sensing[C]//Proceedings of SPIE 3866.Optics in Atmospheric Propagation and Adaptive Systems Ⅲ.Florence, Italy: SPIE: 1029-1032.
Bessho K, Date K, Hayashi M, 2016.An introduction to himawari-8/9-Japan's new-generation geostationary meteorological satellites[J].J Meteor Soc Jpn Ser Ⅱ, 94(2):151-183.
Cuesta J, Eremenko M, Flamant C, et al, 2015.Three-dimensional distribution of a major desert dust outbreak over East Asia in March 2008 derived from IASI satellite observations[J].J Geophys Res, 120(14):7099-7127.
Dubuisson P, Herbin H, Minvielle F, et al, 2014.Remote sensing of volcanic ash plumes from thermal infrared:a case study analysis from SEVIRI, MODIS and IASI instruments[J].Atmos Meas Tech, 7(2):359-371.
Haywood J, Boucher O, 2000.Estimates of the direct and indirect radiative forcing due to tropospheric aerosols:a review[J].Rev Geophys, 38(4):513-543.
Hu X Q, Lu N M, Niu T, et al, 2008.Operational retrieval of Asian sand and dust storm from FY-2C geostationary meteorological satellite and its application to real time forecast in Asia[J].Atmos Chem Phys, 8(6):1649-1659.
Huang J, Minnis P, Yan H, et al, 2010.Dust aerosol effect on semi-arid climate over Northwest China detected from a-train satellite measurements[J].Atmos Chem Phys, 10(14):6863-6872.
Legrand M, Plana-Fattori A, N'Doumé C, 2001.Satellite detection of dust using the IR imagery of Meteosat:1.infrared difference dust index[J].J Geophys Res, 106(D16):18251-18274.
Massie S T, Hervig M, 2013.HITRAN 2012 refractive indices[J].J Quant Spectrosc Radiat Transf, 130:373-380.
Min Min, Wu Chunqiang, Li Chuan, et al, 2017.Developing the science product algorithm testbed for Chinese next-generation geostationary meteorological satellites:Fengyun-4 series[J].J Meteor Res, 31(4):708-719.
Park S S, Kim J, Lee J, et al, 2014.Combined dust detection algorithm by using MODIS infrared channels over East Asia[J].Remote Sens Environ, 141:24-39.
Pierangelo C, Chédin A, Heilliette S, et al, 2004.Dust altitude and infrared optical depth from AIRS[J].Atmos Chem Phys, 4(7):1813-1822.
Ramanathan V, Crutzen P J, Kiehl J T, et al, 2001.Aerosols, climate, and the hydrological cycle[J].Science, 294(5549):2119-2124.
Sokolik I N, 2002.The spectral radiative signature of wind-blown mineral dust:implications for remote sensing in the thermal IR region[J].Geophys Res Lett, 29(24):2154.
Wang Minyan, Lyu Daren, 2006.Diurnal and seasonal variation of clear-sky land surface temperature of several representative land surface types in China retrieved by GMS-5[J].Acta Meteor Sin, 20(4):475-488.
Zhang Wenhao, Xu Hui, Zheng Fengjie, 2018.Aerosol optical depth retrieval over East Asia using Himawari-8/AHI data[J].Remote Sens, 10(1):137.
Zhao Fengsheng, Li Xiaoqing, Gai Changsong, et al, 2010.Estimation of the temporal and spatial distribution of dust concentration over China by combining PM10 and conventional meteorological observations[J].Environ Monit Assess, 170(1-4):65-72.